Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark
近年来机器学习与深度学习主导了入侵检测系统（IDS）研究，但大量已发表成果存在指标虚高和基准不可复现的问题。这些问题贯穿 ML/DL 流水线全过程：从数据采集与标注，到特征工程、模型训练与评估。CIC-IDS2017 是网络入侵检测领域常用
#network-intrusion-detection
共收录 15 条相关情报。
← 返回所有主题Few-Shot Learning for Network Intrusion Detection: Methods, Datasets, and Performance
本文是一篇针对少样本学习（Few-Shot Learning, FSL）在网络入侵检测（NIDS）中应用的系统性文献综述。研究背景在于：基于异常的 NIDS 是防御体系的第一道防线，但要让检测系统识别新型攻击，需要大量带标签的攻击样本，而现
Concept drift mitigation through community and spectral graph analysis for the detectionof cyberattacks in network traffic
该研究针对网络流量入侵检测中长期存在的「概念漂移」问题：合法业务行为与攻击手法会同步演进，导致任何检测模型在两次更新之间的窗口期内迅速失效，检测方始终落后攻击者一步。作者提出把干预点从「漂移发生后再修复模型」前移到「训练之前先选好特征空间」
Privacy, Robustness, and Fairness Trade-offs in Federated Intrusion Detection: Geometric Indistinguishability at the Aggregation Interface
本文针对联邦学习在网络入侵检测（NIDS）中的应用，系统研究了隐私保护、鲁棒性和类别不平衡检测覆盖三者之间的权衡关系。联邦学习允许在不集中敏感流量数据的情况下进行协作训练，但在实际部署中必须同时满足三个相互竞争的要求：严格的差分隐私保证、对
CoLD: Collaborative Label Denoising Framework for Network Intrusion Detection.
本文针对网络入侵检测中标签噪声问题展开研究。标签噪声会导致模型错误分类和检测精度下降，现有去噪方法往往缺乏对网络流量的深层理解，盲目重构标签分布以过滤含噪样本，因而性能次优。作者从因果关联视角揭示了噪声标签对入侵检测模型的影响机制，指出性能
BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）中误报率过高的问题，提出了一种名为BARS（良性锚定排序与选择）的特征选择方法。经典过滤式特征选择方法通常采用类别对称准则，忽略了入侵检测中正常流量与攻击流量的不对称性——正常流量构成基线而攻击是偏离。
Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems
本文针对基于自编码器的网络入侵检测系统（NIDS）面临的对抗性逃避攻击问题展开研究。攻击者利用 PANDA 框架，将网络流量中的报文序列转换为可逆灰度图像，从而将在视觉领域开发的对抗样本技术迁移到网络领域，例如使用掩蔽快速梯度符号法（mas
Hybrid Topological Data Analysis and LSTM Networks for Enhanced Network Intrusion Detection Using CIC-IDS2017 Dataset
本文提出一种结合拓扑数据分析（TDA）与长短期记忆网络（LSTM）的混合方法，用于增强网络入侵检测系统（NIDS）的性能。研究背景：现代网络流量复杂多变，传统NIDS难以高效检测新型攻击。核心问题：如何同时捕捉网络流量的拓扑结构特征和时序依
Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection
该论文针对现有基于图神经网络（GNN）的网络入侵检测系统（NIDS）的局限性——将流量流视为时间独立且依赖有监督学习——提出了一种时间感知的自监督时空图对比学习框架。研究背景：GNN在建模网络流量关系方面有效，但多数方法忽略时间动态特征，且
Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems
本文系统性评估了机器学习驱动的网络入侵检测系统（NIDS）在面对对抗性攻击时的鲁棒性。尽管已有研究揭示了ML模型在特定场景下的脆弱性，但缺乏跨架构、跨攻击类别和攻击类型的系统比较，导致安全从业人员在选择模型时缺乏明确指导。作者选取了三种主流
nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）在高维、高度不平衡流量场景下的特征选择问题，提出了一种名为nCMD（benign-anchored Classwise Mean Deviation）的轻量级、可解释的特征选择方法。传统过滤方法使用全局
On the Evaluation of Spiking Neural Network Configurations for Network Intrusion Detection
本文系统评估了脉冲神经网络（SNN）的不同配置（神经元模型与脉冲编码方案）在网络入侵检测中的性能。背景：传统深度学习模型计算需求高，难以部署到边缘设备和神经形态硬件，而SNN具有低功耗、事件驱动的特性，是潜在替代方案。但SNN的神经元模型和
"What is the Problem Space?" Defining Host-space Adversarial Perturbations against Network Intrusion Detection Systems
本文针对基于机器学习的网络入侵检测系统（ML-NIDS）的对抗鲁棒性研究提出关键反思。现有大量工作通过向预收集的数据点（如路由器捕获的数据包或ML-NIDS分析的网络流）施加微小扰动来评估ML-NIDS的安全性，但作者指出，真实攻击者只能控
Few-Shot Network Intrusion Detection Using Online Triplet Mining
网络入侵检测系统（NIDS）通过检测恶意流量并交由安全运营中心调查，在保护网络中发挥关键作用。现有最先进的方法利用监督机器学习训练分类模型识别已知网络攻击，但这些模型需要大量标注数据集，且在较小数据集上训练时性能较差。为解决这一缺陷，异常检
Evaluating Tabular Representation Learning for Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）中依赖人工特征工程的问题，系统评估了表格表示学习技术在NetFlow数据上的有效性。传统的NIDS需要专家手动提取特征，这与现代机器学习模型自动学习表示的理念相悖。论文选择了多种先进的表格表示学习方法（